基于高分遙感影像的黃土高原地區水體高精度提取

孫 娜， 高志強,2， 王曉晶， 羅志東

(1.北京地拓科技發展有限公司，北京 100084； 2.北京林業大學，北京 100083；3.水利部水土保持監測中心，北京 100053)

基于高分遙感影像的黃土高原地區水體高精度提取

孫 娜1， 高志強1,2， 王曉晶1， 羅志東3

(1.北京地拓科技發展有限公司，北京 100084； 2.北京林業大學，北京 100083；3.水利部水土保持監測中心，北京 100053)

黃土高原地區水體特征復雜多樣，基于高空間分辨率遙感影像在大面積范圍內，現有提取方法很難兼顧精度與效率，故提出一種新型的水體精細化自動提取方法。首先，在全局范圍內根據不同的水體類型使用面向對象的影像分析技術按照不同的規則方法初步提取水體的主體部分，形成水體的種子區域； 然后，在局部范圍內根據同一地物的光譜相似性，進行區域種子生長，實現水體的高精度提取。結果表明，使用該方法提取的水體邊緣可以較好地與影像吻合，更能保證水體的完整性，有效減少干擾信息，提升運算效率。

水體提取； 黃土高原地區； 區域種子生長； 面向對象的影像分析； 高空間分辨率

0 引言

隨著遙感技術的不斷發展，利用遙感手段對水體進行實時動態監測對土壤侵蝕、水資源和水環境調查以及旱情和洪澇監測等具有重要的意義。國內外學者對此展開了大量研究，提出了許多有效的方法。杜云艷等[1]從遙感信息的機理出發，以NOAA/AVHRR數據為例，構建水體提取模型，并取得了較好的提取效果； McFeeters[2]提出歸一化差異水體指數模型(normalized difference water index，NDWI)； 徐涵秋[3]在NDWI的基礎上，對波長組合進行改進，提出了改進的歸一化差異水體指數(modified normalized difference water index，MNDWI)，發現MNDWI較NDWI更能顯示水體的微細特征； 都金康等[4]在分析水體光譜特征的基礎上，引入水體的空間特征，使用決策樹分類方法得到了滿意的分類結果； 黃春龍等[5]針對水體的紋理特征展開研究，通過統計圖像的灰度共生矩陣，對水體進行提取，發現紋理特征對水體的準確提取非常有效； 楊樹文等[6]在使用光譜信息提取水體的基礎上，加入了形態學膨脹濾波算法，提高了水體提取的精度； 駱劍承等[7]基于NDWI，采用分步迭代的算法實現了水體提取。

上述水體信息提取方法，大部分只對大面積水域或者小范圍內處于豐水期的水庫、湖泊和河流比較有效，而對于提取黃土高原地區的水體較為困難，特別是山區小面積水體或者泥沙含量高的細長河流。由于水體泥沙含量較高或者受周邊地物的影響，導致光譜混雜，水體光譜特征減弱，加大了提取難度。這種情況下，在大范圍內對影像使用同一模型和參數，很難提取所有水體，更難獲得十分精確的水面邊緣。針對上述情況，本文使用高分一號PMS影像，根據不同的水體類型，采用面向對象的影像分析技術與區域種子生長算法相結合的方法，建立由粗到精、由全局到局部的水體精細化提取模型。通過全局反映水體的整體屬性，包含了研究區內不同類型的所有水體； 局部反映水體細節區域，側重于水體的精細特征。

1 水體提取模型

1.1 水體特征分析

黃土高原地區水體多種多樣，根據不同水體在遙感影像上的成像特點，可以將水體分為清澈的水體和無機質泥沙含量高的水體。根據水體所呈現的形態特征可分為以水庫和湖泊為主的面狀水體及以河流和溝渠為主的條帶狀水體。無論是面狀還是條帶狀，只要是清澈的水體，在遙感影像上均呈現典型水體的光譜特征，內部紋理都比較光滑均一。在可見光范圍[8]內，水體的反射率總體比較低，不超過10%，隨著波長的增大逐漸降低，在近紅外(near infrared,NIR)波段，水體幾乎成為全吸收體，在NIR影像中呈現黑色； 而對于無機質泥沙含量高的水體，遙感成像時不僅呈現水體的光譜特征，還表現出泥沙的光譜特性，并且隨著泥沙含量的增加，在NIR波段對水體的反射能力增強，透射能力減弱，在真彩色遙感影像中呈現黃褐色。

1.2 全局水體種子提取方法

基于1.1節所述的水體特征，將水體分為一般性水體和泥沙含量高的條帶狀水體，其中一般性水體包括清澈的水體和泥沙含量高的面狀水體。無論面狀還是條帶狀的清澈水體，都可以直接根據水體的光譜特征進行提取； 泥沙含量高的面狀水體，雖然很難全部提取出來，但可以根據水體的光譜特征提取到水體的一部分，作為水體種子點； 而條帶狀泥沙含量高的水體，由于寬度較窄，易受周圍地物光譜的影響，提取較為困難。

根據水體的這些特征，首先采用面向對象的方法針對不同的水體類型進行全局提取。面向對象的分類方法相對于傳統的基于像素的分類方法具有明顯的優勢。不僅會考慮地物的光譜和紋理特征，還可以綜合分析地物的幾何特征、空間特征及上下文關聯特征。該方法首先需要通過分割方法將影像劃分成一個個彼此相鄰的對象，然后再利用分類算法進行分類。

1.2.1 分割方法

本文采用自動多閾值分割和多尺度分割相結合的方法創建水體種子區域，提取流程如圖 1所示。

圖1 全局水體種子提取流程Fig.1 Flowchart of water extraction

多閾值分割方法[9]采用FCM聚類法找到水體的聚類中心，再根據直方圖統計信息確定的閾值進行分割。該方法運算速度快，但由于主要分析光譜信息，適用于水體特征非常明顯的一般性水體的提取。而泥沙含量高的條帶狀水體種子，采用多尺度分割的方法，從若干像元開始，根據光譜信息、紋理信息和形狀信息進行同質性判斷，最終確定對象的過程，該方法運算速度相對較慢。

1.2.2 分類算法模型

根據不同水體在影像上的特征，采用基于解譯知識的分類方法，分別選用不同算法進行逐步提取，提取流程見圖 2。

圖2 全局水體種子提取方法Fig.2 Water seeds extraction method

1.2.2.1 NIR波段反射率和NDWI

根據水體的光譜特征，最常用的提取方法是NIR波段閾值法和水體指數法。NDWI水體指數表達式為

(1)

式中Green和NIR分別代表綠光波段和NIR波段的反射率值。

為了構建最優的水體模型，采用隨機選點的方式對研究區水體、交通用地、建筑用地、植被、耕地和其他土地6大類各取50個樣本點，其中水體樣本點包含一般水體和泥沙含量較大的條帶狀水體各25個。并分別對樣本點的NIR和NDWI值進行統計分析，按照升序排列，如圖 3。其中，水體樣本1—25號樣本為一般水體，26—50號樣本為泥沙含量高的水體。統計結果發現： ①水體與植被、土壤等其他地物具有明顯的差異，尤其在NIR波段的反射率最低，這與水體在NIR波段的強吸收特征有關； ②在NDWI圖像上，水體數值最高，尤其是一般水體與其他地物的區分明顯，泥沙含量高的水體則具有與其他土地、城鎮及工礦用地相似的值域范圍。考慮到NIR波段不能排除地形起伏對水體的干擾，水體和陰影混淆嚴重，但是NDWI有所改善[10]，針對一般水體采用NDWI進行提取； 對泥沙含量高的條帶狀水體，采用NIR波段反射率進行初步提取，然后再結合其他算法消除干擾地物的影響。

(a) NIR (b) NDWI

圖3水體樣本點統計

Fig.3Statisticalgraphofsamplepoints

1.2.2.2 密度(Density)

密度反映對象各個像素的緊致程度，通常條帶狀水體密度值低于一般的多邊形面狀地物。密度表達式為

(2)

式中：d代表密度；n代表分割對象包含的像素個數；Var(X)和Var(Y)分別代表對象像素在X軸和Y軸的方差。

1.2.2.3 黃度指數(Yellow)

由于泥沙含量高的水體在真彩色影像上呈現偏黃的顏色特征，通過構建黃度指數，作為水體提取的輔助參數，去除柏油路等線狀低反射的干擾地物對水體提取的影響。黃度指數表達式為

Yellow=Green+Red-2Blue,

(3)

式中Red和Blue分別代表紅光和藍光波段的反射率值；Yellow代表黃度指數。

1.3 局部種子生長水體優化提取方法

局部水體優化提取采用區域種子生長算法[11]，從面向對象方法提取的水體種子對象出發，對相鄰的對象進行同質性判斷，如果判斷為同質的，則歸為水體種子，如果判斷為異質的，則停止生長。

首先，采用緩沖區的方法，以水體種子對象為基礎，根據距離信息向外擴張，形成局部水體優化工作區。工作區內部的水體光譜特征相似，與其他地物有較大差異。局部優化工作區可以有效降低整體背景光譜信息對水體提取的干擾，提高水體提取精度，減少工作范圍，提高工作效率。其次，采用NIR波段的均值作為同質性判斷準則，只有滿足同質性準則的相鄰對象才可以歸為水體種子區域，實現增長。再次，以水體種子對象為中心，采用自上而下的搜索方式，迭代計算，對工作區內相鄰的像素逐一進行同質性判斷，實現循環增長，直到不滿足同質性準則為止。最后，由于自動提取水體往往會存在空洞和孤立點，根據空間和形態關系利用數學生態學進行后處理，去除噪聲點，并進行區域合并，輸出最終的水體提取結果。技術流程如圖4所示。

圖4 水體種子局部增長技術流程Fig.4 Flowchart of seeded region growing

2 結果與分析

為了驗證本文算法的有效性，選擇陜西省榆林市橫山縣為研究區進行水體提取實驗。該區位于無定河中游，毛烏素沙漠南緣，屬鄂爾多斯草原向黃土高原的過渡地帶，海拔在900～1 500 m之間。區內水體多為山間河流、水庫和湖泊等。處于豐水期的水庫和湖泊，泥沙含量較少，水陸邊界清晰。而河流多發源于山間，具有泥沙多、流程短、流域面積小、徑流量受降雨量或季節影響強烈等特點，其影像水陸邊界不清晰。采用2014年8月25日高分一號PMS相機獲取的空間分辨率為2 m的全色影像和空間分辨率為8 m的多光譜影像為數據源。處理流程包括： ①大氣校正、正射校正和融合等預處理； ②全局水體種子提取； ③局部種子生長水體優化提取。

2.1 全局水體種子提取結果

一般水體的在影像上色調較深，與其他地類異質性明顯，使用多閾值分割效果理想。而泥沙含量高的條帶狀水體，由于含水量少、泥沙含量高或其他原因，水陸邊界不清晰，使用多閾值分割效果較差，而采用多尺度分割效果相對較好。不同的水體分割效果如圖 5和圖 6所示。

(a) 一般水體(b) 泥沙含量高的條帶狀水體

圖5多閾值分割水體效果

Fig.5Multi-thresholdsegmentationofwaterbody

(a) 河流1 (b) 河流2

圖6多尺度分割條帶狀水體效果

Fig.6Multiresolutionsegmentationeffectofriver

根據一般水體在NDWI上與其他地物的明顯差異，取值0.16即可將全局一般水體種子區域較好地提取出來，但泥沙含量高或者過細的河流仍有漏提現象存在，需采用其他模型提取。NDWI水體提取效果見圖 7。

(a) 一般水體種子(b) 泥沙含量高的條帶狀水體種子

圖7NDWI提取水體種子區域

Fig.7WaterseedsextractionbyNDWI

根據泥沙含量高的條帶狀水體在NIR波段的低反射特征、線狀特征及黃度特征，NIR取值4 500，Density取值0.7，Yellow取值2 000，即可將全局內泥沙含量高的條帶狀水體種子提取出來，有效去除陰影、低反射的建筑和道路等的干擾。泥沙含量高的條帶狀水體種子提取效果見圖 8。

(a) 僅利用NIR提取的河流種子 (b) 多參數結合提取的河流種子

圖8泥沙含量高的條帶狀水體種子區域提取效果

Fig.8Turbidwaterseedsextractioneffect

全局水體種子提取實現了水陸的初步分離，但是由于水質的差異及周邊地物的影響，未能完全提取水體區域。需通過后續局部種子生長優化實現水體的完整、高精度提取。全局水體種子提取結果局部效果見圖 9。由圖9可見，水體的位置信息定位準確，中心區域可以很好地提取出來，但是水體邊緣仍然存在誤差，而且不同的水面邊緣誤差不同。

(a) 水體1 (b) 水體2

圖9全局水體種子區域提取效果

Fig.9Waterseedsextractioneffectinwholedomain

2.2 水體種子生長優化提取結果

以水體種子區域為中心，向外擴展20個像素寬度作為水體優化提取工作區，采用自上而下的搜索方式，NIR均值取5 000，對水體種子進行逐步生長，得到高精度的水體提取結果。水體種子生長過程和生長結果如圖 10。

(a) 全局水體種子提取結果 (b) 水體優化提取工作區

圖10-1水體種子生長過程

Fig.10-1Seededregiongrowingprocessofwater

(c) 水體種子生長結果 (d) 最終的水體提取結果

圖10-2水體種子生長過程

Fig.10-2Seededregiongrowingprocessofwater

圖11為經過種子生長優化后的水體提取效果，從圖中可以發現，提取的水體邊緣與實際水陸邊界幾乎完全重合。對比圖 9可以發現，經過種子生長提取的水體更加完整，邊緣精度更高。

(a) 水體1 (b) 水體2

圖11經過種子生長后最終的水體提取效果

Fig.11Finalwaterextractionresults

圖 12為2景高分一號PMS遙感影像水體自動提取的實例，影像分別獲取于2015年6月8日和7月19日研究區附近區域，從圖中局部放大的水體區域可以看出，通過該方法提取的水體位置信息準確，邊緣精度很高。

(a) 2015年6月8日 (b) 2015年7月19日

(c) 區域A (b) 區域B (e) 區域C(f) 區域D (g) 區域E (h) 區域F

圖12不同影像使用水體提取模型自動提取效果

Fig.12Waterextractionresultsindifferentimages

上述研究表明，使用面向對象分類方法與種子區域生長方法相結合提取水體，邊界準確、水體圖斑完整，與影像邊界的吻合度非常高。以專家知識判讀方法人機交互提取的水體為參考，通過統計面積的方法進行精度分析，正確率A和漏提率E計算公式為

(4)

(5)

式中：SA為提取正確的面積；SE為漏提面積；S為總參考面積。

通過統計分析，常用的NDWI方法提取的水體正確率為83.67%，漏提率為16.33%； 而本文方法提取的水體正確率為99.32%，漏提率為0.68%，提取精度提升了15.65%。

3 結論

1)面向國產高分影像，針對黃土高原晉陜蒙丘陵溝壑區提出一種新型水體高精度自動提取模型。

2)該模型將中等空間分辨率水體提取思想與精細化需求相結合，不僅可以有效去除道路、低反射的建筑和陰影等易混地物的影響，還可以保證水體的邊緣精度和水體的完整性。

3)該模型簡單易用，易于軟件工程化的實現。

但是通過對不同地區測試，該方法模型對低反射的工礦用地不敏感，容易混入水體，有待后續進一步研究。

[1] 杜云艷,周成虎.水體的遙感信息自動提取方法[J].遙感學報,1998,2(4):264-269.

Du Y Y,Zhou C H.Automatically extracting remote sensing information for water bodies[J].Journal of Remote Sensing,1998,2(4):264-269.

[2] McFeeters S K.The use of normalized difference water index(NDWI) in the delineation of open water features[J].International Journal of Remote Sensing,1996,17(7):1425-1432.

[3] 徐涵秋.利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究[J].遙感學報,2005,9(5):589-595.

Xu H Q.A study on information extraction of water body with the modified normalized difference water index(MNDWI)[J].Journal of Remote Sensing,2005,9(5):589-595.

[4] 都金康,黃永勝,馮學智,等.SPOT衛星影像的水體提取方法及分類研究[J].遙感學報,2001,5(3):214-219.

Du J K,Huang Y S,Feng X Z,et al.Study on water bodies extraction and classification from SPOT image[J].Journal of Remote Sensing,2001,5(3):214-219.

[5] 黃春龍,邢立新,韓 冬.基于紋理特征的水系信息提取[J].吉林大學學報(地球科學版),2008,38(S):226-228,250.

Huang C L,Xing L X,Han D.Extracting the information of water system based on texture features[J].Journal of Jilin University(Earth Science Edition),2008,38(S):226-228,250.

[6] 楊樹文,薛重生,劉 濤,等.一種利用TM影像自動提取細小水體的方法[J].測繪學報,2010,39(6):611-617.

Yang S W,Xue C S,Liu T,et al.A method of small water information automatic extraction from TM remote sensing images[J].Acta Geodaetica et Cartographica Sinica,2010,39(6):611-617.

[7] 駱劍承,盛永偉,沈占鋒,等.分步迭代的多光譜遙感水體信息高精度自動提取[J].遙感學報,2009,13(4):604-615.

Luo J C,Sheng Y W,Shen Z F,et al.Automatic and high-precise extraction for water information from multispectral images with the step-by-step iterative transformation mechanism[J].Journal of Remote Sensing,2009,13(4):604-615.

[8] 梅安新,彭望琭,秦其明,等.遙感導論[M].北京:高等教育出版社,2001.

Mei A X,Peng W L,Qin Q M,et al.An Introduction to Remote Sensing[M].Beijing:Higher Education Press,2001.

[9] 段 銳,管一弘.醫學圖像自動多閾值分割[J].計算機應用,2008,28(S2):196-197.

Duan R,Guan Y H.Multi-threshold value segmentation approach for medical images[J].Computer Applications,2008,28(S2):196-197.

[10] 畢海蕓,王思遠,曾江源,等.基于TM影像的幾種常用水體提取方法的比較和分析[J].遙感信息,2012,27(5):77-82.

Bi H Y,Wang S Y,Zeng J Y,et al.Comparison and analysis of several common water extraction methods based on TM image[J].Remote Sensing Information,2012,27(5):77-82.

[11] Adams R,Bischof L.Seeded region growing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(6):641-647.

High-preciseextractionforwaterontheLoessPlateauregionfromhighresolutionsatelliteimage

SUN Na1, GAO Zhiqiang1,2, WANG Xiaojing1, LUO Zhidong3

(1.BeijingDatumTechnologyDevelopmentCo.Ltd.,Beijing100084,China; 2.BeijingForestryUniversity,Beijing100083,China;3.MonitoringCenterofSoilandWaterConservation,MinistryofWaterResources,Beijing100053,China)

In the Loess Plateau region, it is difficult to extract the complex water automatically and accurately in a large area, and hence a new water extraction method is proposed in this paper, which combines the object-based image analysis and seeded region growing algorithm. In the first step, it uses object-based image analysis to extract the main part of the water body according to the different water features and form the seeds region of water area. Then based on the result, the seeds grew to the precise shape of water. Extraction result shows that the method is effective, high precise and high efficient.

water extraction; Loess Plateau; seeded region growing algorithm; object-based image analysis; high spatial resolution

10.6046/gtzyyg.2017.04.26

孫娜,高志強,王曉晶,等.基于高分遙感影像的黃土高原地區水體高精度提取[J].國土資源遙感,2017,29(4)：173-178.(Sun N,Gao Z Q,Wang X J,et al.High-precise extraction for water on the Loess Plateau region from high resolution satellite image[J].Remote Sensing for Land and Resources,2017,29(4)：173-178.)

TP 79

A

1001-070X(2017)04-0173-06

2016-04-18；

2016-07-11

高分水利遙感應用示范系統(一期)“高分辨率對地觀測系統重大專項”(編號： 08-Y30B07-9001-13/15)和水利部綜合事業局拔尖人才培養專項共同資助。

孫 娜(1987-)，女,碩士,主要從事遙感技術與地學應用研究。Email： 377754198@qq.com。

(責任編輯：陳理)